欧亚国际

水稻（Oryza sativa）是世界上许多主食国家的重要稳定食物，因此，在全球气候变化的背景下提高其产量具有重要意义。为了评估不同水稻品种的产量表现，与产量相关的关键特征，如单位面积的穗数（PNpM2），是关注的重点指标，受到了许多植物研究团体的关注。然而，由于复杂的田间条件、水稻品种的大量变异以及它们的穗形态特征，进行水稻穗的大规模筛选以量化PNpM2特征仍然具有挑战性。

2023年10月，Plant Phenomics 在线发表了福建农林大学与南京农业大学合作完成的题为Panicle-Cloud: An Open and AI-Powered Cloud Computing Platform for Quantifying Rice Panicles from Drone-Collected Imagery to Enable the Classification of Yield Production in Rice 的研究论文。

本文介绍了Panicle-Cloud，这是一个开放且基于人工智能的云计算平台，能够从大规模的无人机采集的水稻图像中量化水稻穗。Panicle-Cloud平台遵循了一个三步的工作流程来建立这个云计算平台（图2），包括（a）建立一个开放的水稻穗检测DRPD数据集，该数据集包括在3个不同高度（即GSD7m、GSD12m和GSD20m）拍摄的带有标注的水稻穗的原始航拍图像中裁剪的5,372个RGB子图像（图2A）；（b）使用图像增强功能训练深度学习模型，以增加训练数据集并减少过拟合，包括Panicle-AI（我们量身定制的深度学习模型）、YOLOv5、VFNet、FCOS、GFLv2 和RetinaNet （图2B）；以及（c）建立Panicle-Cloud平台进行水稻穗计数，该平台使用上传的图像或图像系列自动进行图像分割，并使用集成的人工智能模型检测和量化类似穗的对象（图2C）。

图2 Panicle-Cloud平台用于从无人机采集的图像中检测水稻穗的分析工作流程

Panicle-Cloud平台应用于为期两个季的水稻育种试验，通过在DRPD数据集中收集的子图像，对手动计数的穗和由Panicle-AI得分进行的相关性分析。对于7米的飞行高度，获得了显著的相关性，而基于12米图像的相关性结果和20米图像的相关性结果显示了相对较低的相关性（图4B）。

图4 (A) 在7米、12米和20米高度获取的水稻图像上进行的穗检测和计数结果，涵盖了4个关键生长阶段。(B) 在手动计数结果和Panicle-AI派生结果之间进行的相关性分析

在确定了适用于穗检测的首选GSD后，随后在4个生长阶段使用7米的图像进行了AI派生和手动评分的稻穗之间的相关性分析。由于不同生长阶段穗数的表型变异（图5A），应用Panicle-AI对每个阶段的180个地块进行分析，并得出了总体相关性（图5B，左图）。此外，开花期和早期灌浆期的相关性结果高于拔节期和中期灌浆期，表明开花期和早期灌浆期均是适用于7米高度的穗表型学的生长阶段（图5B，右图）。

图5 穗计数和4个生长阶段的相关性分析

本文建立了一个监督学习模型，使用PNpM2特征对数百个水稻品种的产量表现进行分类。我们发现由平台产生的PNpM2特征能够以高精度分类水稻产量，使水稻育种者能够筛选和选择出理想的水稻品种。

图6 云平台供研究人员方便使用和进行产量分类。

云平台网址：‍http://ai-panicle.com:32123‍

论文链接：

‍http://doi.org/10.34133/plantphenomics.0105

——推荐阅读——

Concise Cascade Methods for Transgenic Rice Seed Discrimination using Spectral Phenotyping

http://doi.org/10.34133/plantphenomic‍s.0071

Plant Phenomics | 一种利用光谱表型分析技术鉴别转基因水稻种子的简明级联方法

Panicle-3D: Efficient phenotyping tool for precise semantic segmentation of rice panicle point cloud

http://doi.org/10.34133/2021/9838929

Plant Phenomics | Panicle-3D：水稻穗点云精确语义分割的高效表型工具